基于残差超网络的DNA微阵列数据分类

作     者：王进 朱文晓 孙开伟 邓欣 陈乔松 WANG Jin;ZHU Wenxiao;SUN Kaiwei;DENG Xin;CHEN Qiaosong

作者机构：重庆邮电大学计算智能重庆市重点实验室重庆400065 韩国仁荷大学信息与通信工程系 

出 版 物：《重庆邮电大学学报（自然科学版）》 (Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition))

年 卷 期：2015年第27卷第5期

页      面：647-653,659页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61203308 61403054) 重庆市基础与前沿研究计划(cstc2014jcyj A40001 cstc2013jcyj A40063) 重庆教委科学技术研究项目(自然科学类)(KJ1400436) 

主　　题：超网络 初始化 残差算法 稳定性 收敛性 

摘      要：DNA微阵列数据特征维度高,包含噪音,属性之间以及属性与样本类别之间有着复杂的关联性。然而传统超网络的超边一般是从训练集中随机选取属性而组成,难以保证超边质量,而且其分类性能受超边初始化过程影响很大,导致效果不稳定。针对传统超网络的这一局限,提出一种基于残差分析的超网络分类模型。残差算法根据显著性检验,首先假设属性相互独立,然后根据95%的置信水平,运用残差分析,用落入拒绝域的属性值对超网络的超边库进行初始化,以获取关联性较高的超边集合。然后采用梯度下降法进行超网络的演化学习。对急性白血病、前列腺癌和肺癌数据集的实验表明:与传统演化超网络分类器相比,该方法不仅有较高的分类精度,而且提高了分类的稳定性和收敛性。